研究により、ラテン語専用の言語モデルLAMBおよび2つの新しいコーパスAcervusとCorpus Trinumが公開されました
2026年10月26日、arXivは論文arXiv:2610.31723v1を公開し、ラテン語専用のエンコーダーであるLatin Modern BERT（LAMB）を提案しました。同モデルはModernBERTアーキテクチャに基づき、二段階の事前学習を経て、740億語以上のラテン語トークンと新たな形態素認識型マスク戦略を用いています。同時に、2つの全く新しいラテン語コーパスも公開されました。1つは240億語のAcervusで、76万件のByT5によるOCR修復済み破損テキストを含みます。もう1つは、世界初の人工的に構築されたラテン語の意味三項対象データセットCorpus Trinumで、強/弱の三項対象が1億以上収録されています。
注目する理由：本研究は、古典言語NLPの基盤資源における空白を埋め、ラテン語の意味理解向けの大規模な事前学習モデルとそれに伴う評価基準を初めて体系的に構築した。さらに、厳密な実験によりLAMBが17のサブタスクのうち16項目で優位性を示し、明確な技術的貢献と再現性を備えていることを実証した。なお、すべての結論はarXiv論文の要約および事実抽出内容に厳密に対応しており、外部情報は一切導入していない。